RAG on SelfTechHub

第7章 AI技术基础与工具选型

Thu, 12 Feb 2026 00:00:00 +0000

第7章 AI技术基础与工具选型

本章导读

第4章扫盲了术语，本章把术语背后的技术逻辑讲透，并落到FDE最实际的决策——工具选型。FDE不必写底层代码，但必须懂技术原理，才能判断"什么场景用什么工具"。本章图解大模型调用、Prompt工程、RAG检索、工作流编排四项核心技术的原理；盘点主流工具；给出以落地效果为核心的选型方法论。读完本章，你应当能根据业务场景，快速匹配合适的工具组合。

§7.1 FDE要懂的技术深度

先校准一个认知：FDE要懂技术，但不必要懂到能写底层算法。

FDE的技术深度标准是**“能判断、能配置、能排查”**：

能判断：知道什么场景该用什么技术、什么技术做不了什么。
能配置：能在零代码平台配置Prompt、RAG、工作流。
能排查：出问题能定位是Prompt、数据、还是接口的问题。

不要求"能开发"——开发底层是算法工程师与平台团队的事。FDE的技术价值在应用层判断，不在底层实现。

§7.2 核心技术逻辑图解

7.2.1 大模型调用

原理：FDE通过API向大模型发送一段文本（Prompt），模型返回生成的文本（Response）。整个过程是"输入文本→模型预测→输出文本"。

图7-1：大模型调用流程 （建议呈现：横向流程图。Prompt组装→API请求→模型推理→Response返回→结果解析。）

FDE要懂的关键点：

Token计费：输入与输出都按Token计费，长Prompt成本高。
上下文窗口：超过窗口的输入会被截断，影响效果。
温度（Temperature）：控制输出随机性，0最确定、1较随机。事实性任务用低温度，创意性任务用高温度。
超时与重试：API可能超时或失败，调用逻辑要设计重试。

7.2.2 Prompt工程

原理：Prompt是给大模型的指令。同样的模型，不同Prompt效果天差地别。Prompt工程就是设计能稳定产出预期结果的指令。

核心要素：

角色设定：告诉模型"你是谁"（“你是一位资深客服主管”）。
任务描述：明确要做什么（“请根据以下客户问题，生成回复”）。
约束条件：限定输出（“不超过200字"“不承诺具体赔偿”）。
输出格式：指定结构（JSON、表格、Markdown）。
Few-Shot示例：给几个输入输出范例，引导模型学习模式。

方法论框7-1：Prompt五要素检查 写完一个Prompt，逐项检查：

角色设定了吗？

任务说清了吗？

约束给了吗？

输出格式定了吗？

需要Few-Shot吗？五项想清楚再写，比写完返工快。

7.2.3 RAG检索

原理：见第4章§4.5。RAG的核心是"先检索相关片段，再让模型基于片段回答”。

FDE要懂的调优点：

切片策略：文档怎么切（按段落、按字数、按语义）影响检索质量。
向量模型选择：不同向量模型对中文、专业术语的支持不同。
检索Top-K：每次取几条最相似片段，太少漏信息、太多噪声多。
重排序（Rerank）：对检索结果二次排序，提升相关性。
混合检索：向量检索+关键词检索结合，兼顾语义与精确匹配。

图7-2：RAG调优关键点 （建议呈现：流程图，在标准RAG流程上标注切片、向量模型、Top-K、Rerank、混合检索五个调优点。）

7.2.4 工作流编排

原理：把复杂任务拆成多个节点，每个节点用一个AI能力或工具，按顺序/条件串联，自动完成。

节点类型：

大模型节点：调用LLM做生成/分析/分类。
工具节点：调用API、查数据库、发邮件。
条件节点：根据上游输出分支。
循环节点：对列表数据逐条处理。

图7-3：工作流编排示例 （建议呈现：节点流程图。输入→LLM分类→条件分支（A/B）→A分支调工具+LLM生成→B分支直接LLM生成→合并输出。）

FDE要懂的设计点：

节点粒度：每个节点做一件事，不要塞太多逻辑。
错误处理：每个节点都可能失败，要有降级方案。
数据流转：上游节点的输出如何作为下游输入，要设计清楚。

§7.3 主流工具盘点

说明：工具市场变化快，本节盘点为撰写时主流选择，读者应以最新市场情况为准。本书不替任何工具背书，仅做分类参考。

7.3.1 大模型平台

提供模型调用能力。选型关注：能力、价格、稳定性、合规性。

海外：GPT系列、Claude系列、Gemini系列（国内使用需注意合规）。
国内：通义、文心、智谱、月之暗面、DeepSeek、豆包等，各有侧重。

FDE建议至少熟悉2-3个，因为不同模型在不同任务上表现差异大。

7.3.2 零代码Agent搭建平台

提供Agent/Skill/工作流的可视化搭建。选型关注：易用性、扩展性、生态、价格。

主流方向：

大厂生态平台：与自家模型深度集成，适合深度用户。
独立Agent平台：支持多家模型，灵活度高。
工作流自动化平台：偏自动化集成，适合跨系统串联。

7.3.3 工作流自动化工具

用于跨系统串联、触发与执行。关注：连接器丰富度、稳定性、触发方式。

7.3.4 数据处理工具

用于清洗、转换、分析数据。关注：处理量、易用性、与AI能力的衔接。

§7.4 工具选型方法论

工具多到眼花，FDE怎么选？核心原则一句话：以落地效果为核心，不是以技术先进性为核心。

选型四步法

方法论框7-2：工具选型四步法

先定场景：要解决什么业务问题？输出什么效果？

再定能力：完成这个场景需要哪些AI能力（生成/检索/分类/编排）？

匹配工具：哪些工具能提供这些能力？列候选清单。

实测对比：用真实数据测2-3个候选，选效果最好且成本可控的。

选型的常见误区

误区一：追新。 新工具层出不穷，追新会陷入"工具焦虑"。原则：能用现有工具解决的，不换新。

误区二：贪全。 想用一个工具解决所有问题。现实是每个工具都有强项弱项，组合使用更合理。

误区三：只看Demo。 工具Demo都很漂亮，真实业务数据下表现可能差很多。必须用客户真实数据测。

误区四：忽视成本。 光看效果不看成本，上线后发现Token费用爆表。选型必须算成本。

误区五：忽视合规。 客户数据敏感度不同，选型要考虑私有化部署、数据脱敏、合规通道。

选型决策表

建议FDE维护一张自己的选型决策表，每次选型填一遍：

维度	权重	候选A	候选B	候选C
效果（实测）	30%
成本	20%
稳定性	15%
易用性	10%
合规性	15%
生态扩展	10%
加权总分

填完表，选型决策有据可依，不再是拍脑袋。

§7.5 场景与工具的匹配速查

把四类典型场景（第4章§4.9）与工具匹配，给一张速查表。

场景类型	核心能力	推荐工具组合	关键调优点
信息整理	分类/摘要	大模型 + Prompt	Prompt约束输出格式
内容生成	生成	大模型 + Prompt + Few-Shot	角色设定与Few-Shot
知识问答	检索+生成	大模型 + RAG + 向量库	切片与Top-K
流程自动化	编排+集成	工作流平台 + 大模型 + 工具	节点粒度与错误处理

这张表是入门速查，复杂场景需组合多种能力，第三篇会深入。

本章小结

技术深度标准：能判断、能配置、能排查，不要求能开发底层。
四项核心技术：大模型调用、Prompt工程、RAG检索、工作流编排，各有调优点。
工具盘点：大模型平台、Agent平台、工作流工具、数据处理工具四类。
选型方法论：先定场景→再定能力→匹配工具→实测对比，以落地效果为核心。
选型误区：追新、贪全、只看Demo、忽视成本、忽视合规。
场景速查：四类场景对应不同工具组合与调优点。

思考题

选一个你熟悉的工作任务，判断它属于四类场景的哪类，匹配对应工具组合。
用方法论框7-2，为这个任务做一次工具选型，填出选型决策表。
找两个大模型，用同一组Prompt测试同一任务，对比效果差异并分析原因。
用零代码平台搭一个简单RAG，调整切片策略与Top-K，观察检索效果变化。

第4章 AI落地基础术语扫盲

Thu, 22 Jan 2026 00:00:00 +0000

第4章 AI落地基础术语扫盲

本章导读

前三章建立了FDE的行业与路径认知。但许多读者卡在一个具体障碍上：术语听不懂。大模型、Agent、Skill、Tool、RAG、工作流、API、微调、向量数据库……这些词在方案文档里密密麻麻，让非技术背景者望而却步。

本章用图解+生活化类比，系统扫盲FDE工作中最常遇到的核心术语。每个术语都给出"通俗解释+技术原理+与FDE的关系"，确保你既能听懂、又能用对。读完本章，你应当能看懂基础方案文档，能在客户沟通中把技术术语翻译成客户语言。

§4.1 术语是工具，不是门槛

先破一个心态：术语不可怕，它只是行业里的"简称工具"。就像装修行业的"找平"“批腻子"“开槽”，外人听着陌生，本质都是具体动作。AI术语同理——每个词背后都是具体的功能或机制。

学术语的正确方式不是死记定义，而是理解它解决的问题+它的工作机制+它在FDE工作中怎么用。本章就按这个三段式来讲。

§4.2 大模型（Large Language Model, LLM）

通俗解释

大模型像一个读了海量书、什么都能聊两句的"博学助手”。你问它问题，它根据读过的内容生成回答。但它有几个天生毛病：有时会一本正经地胡说（幻觉）、不知道你公司的内部事（无私有知识）、记不住太长的对话（上下文有限）。

技术原理

大模型是基于Transformer架构、用海量文本训练出的统计预测模型。它的本质是"根据上文预测下一个词"。这个简单机制在海量数据与巨大参数量下，涌现出了语言理解、推理、生成等能力。

大模型的能力边界由三方面决定：

训练数据：决定了它知道什么。
参数规模：影响理解与推理的精细度。
对齐方式：决定它回答的风格与边界。

与FDE的关系

FDE几乎每天都在调用大模型。理解大模型的能力边界，是判断"哪些任务能交给AI、哪些不能"的前提。FDE的核心工作之一，就是把客户需求拆解到大模型能力边界之内。

图4-1：大模型能力边界 （建议呈现：同心圆图。内圈"擅长"：文本生成、总结、分类、翻译、简单推理；外圈"不擅长"：实时信息、私有知识、精确计算、多步复杂逻辑、长时记忆。）

§4.3 幻觉、时效、隐私：大模型三大局限

大模型有三大局限，是FDE落地必须直面的。

局限一：幻觉（Hallucination）。 大模型会编造看起来合理但实际错误的内容。比如被问"某公司2024年财报数据"，它可能编出一组数字。原因是它本质是预测下一个词，不是查数据库。应对：用RAG接入真实资料、用Prompt约束"不知道就说不知道"、关键信息人工复核。

局限二：时效性。 大模型的训练数据有截止时间，之后发生的事它不知道。应对：用联网搜索能力、用RAG接入最新资料。

局限三：隐私与数据安全。 直接把客户敏感数据发给公有模型有泄露风险。应对：用私有化部署、用数据脱敏、用合规的API通道。

方法论框4-1：大模型局限的FDE应对清单

局限应对手段

幻觉 RAG + Prompt约束 + 人工复核

时效联网搜索 + RAG接入最新资料

隐私私有化部署 + 数据脱敏 + 合规通道

局限	应对手段
幻觉	RAG + Prompt约束 + 人工复核
时效	联网搜索 + RAG接入最新资料
隐私	私有化部署 + 数据脱敏 + 合规通道

§4.4 Agent、Skill、Tool

这三个词是FDE工作的高频术语，三者关系常被混淆。

通俗解释

用一个"厨房团队"类比：

Agent（智能体） = 厨师。能听懂"做一桌川菜"的指令，自己规划做菜流程并执行。
Skill（技能） = 菜谱技能。比如"回锅肉技能"“麻婆豆腐技能”，是厨师会做的具体菜。
Tool（工具） = 厨具。锅、刀、灶，是技能执行时调用的工具。

三者关系

Agent是大模型加上了"规划+执行"能力的封装。它接到任务后，会自主选择调用哪个Skill；Skill在执行时，会调用需要的Tool。

图4-2：Agent / Skill / Tool 层级关系 （建议呈现：树状图。顶层Agent，下挂多个Skill节点，每个Skill下挂若干Tool叶子。）

用一次客户服务场景说明：

客户问"我的订单到哪了"。
Agent判断这是"订单查询"任务，调用"订单查询Skill"。
订单查询Skill调用"订单系统API"这个Tool，获取物流信息。
Agent把信息整理后回复客户。

与FDE的关系

FDE搭建AI能力模块，本质上就是在搭Agent、Skill、Tool的组合。本书第二篇会详细讲Skill设计与搭建。

§4.5 RAG（检索增强生成）

通俗解释

RAG像一个"允许翻书的考试"。大模型本身不知道你公司的内部知识（没学过），直接问它会幻觉。RAG的做法是：先把你的内部资料切片存进知识库，客户提问时先去知识库检索相关片段，再把片段喂给大模型，让它基于真实资料回答。

技术原理

RAG的核心流程：

入库：把文档切成小块（chunk），用向量化模型转成向量，存入向量数据库。
检索：用户提问时，把问题也向量化，在数据库里找最相似的片段。
生成：把检索到的片段作为上下文，连同问题一起发给大模型，让它生成回答。

图4-3：RAG工作流程 （建议呈现：横向流程图。文档→切片→向量化→向量库；用户问题→向量化→检索→片段+问题→大模型→回答。）

与FDE的关系

RAG是FDE落地最常用的技术之一，几乎所有"企业知识库"“智能客服"“文档问答"类项目都基于RAG。FDE要会配置RAG（切片策略、向量模型选择、检索调优），但不必自己写底层算法。

§4.6 工作流（Workflow）

通俗解释

工作流像一条"AI流水线”。把一个复杂任务拆成多个环节，每个环节用对应的AI能力或工具处理，串联起来自动完成。

与单次大模型调用的区别

单次大模型调用是"一问一答”，适合简单任务。工作流是"多步串联"，适合需要多个环节协同的复杂任务。

举个例子，“自动生成客户跟进邮件”：

单次调用：把客户信息直接喂给大模型，让它写邮件。质量一般，缺个性化。
工作流：①查询客户历史互动→②大模型分析客户偏好→③大模型生成邮件草稿→④大模型润色→⑤发送。每步专注一件事，质量更高。

与FDE的关系

工作流编排是FDE的核心技能之一。本书第9章会详细讲工作流自动化落地。

§4.7 API（应用程序接口）

通俗解释

API像一个"插座"。你想用电，不需要自己发电，把插头插进插座就行。大模型厂商提供API，你不需要自己训练模型，调用API就能用上它的能力。

关键概念

调用：通过API发送请求，获取模型响应。
Token：大模型计费与上下文计量的单位，大约1个汉字≈1.5-2个token。
上下文窗口：模型一次能处理的文本长度上限，超出需截断或分段。
Rate Limit：调用频率限制，超限会被限流。

与FDE的关系

FDE用零代码平台时，平台已经封装了API调用，FDE不直接写代码调API。但理解API、Token、上下文这些概念，对估算成本、设计Prompt、排查问题至关重要。

方法论框4-2：FDE必须懂的API基础概念

调用：发请求得响应

Token：计费与计量单位

上下文窗口：单次处理上限

Rate Limit：调用频率限制

这四个概念直接影响成本估算、Prompt设计与方案可行性判断。

§4.8 微调（Fine-tuning）与向量数据库

这两个术语FDE未必直接操作，但常在方案讨论中出现，需要听懂。

微调

微调是在通用大模型基础上，用特定领域数据继续训练，让它在某领域表现更好。类比：大模型是大学毕业生，微调是给他做岗前培训。

与RAG的区别：RAG是"翻书"（临时查资料），微调是"上学"（长期改变模型本身）。RAG适合频繁变化的知识，微调适合稳定的风格或领域特性。FDE落地以RAG为主，微调较少（成本高、周期长）。

向量数据库

向量数据库是专门存储与检索向量的数据库，是RAG的存储基础设施。常见产品有Milvus、Pinecone、Chroma等。FDE通常不直接运维向量数据库，但要知道它在RAG里的角色，以便与算法团队沟通。

§4.9 AI落地的四类典型场景

把上述术语串起来，看AI落地的四类典型场景。FDE的绝大多数项目都属于这四类之一。

图4-4：AI落地四类场景 （建议呈现：四象限图。横轴"输入结构化程度"，纵轴"输出自由度"。四象限分别标注四类场景。）

第一类：信息整理类。 输入结构化、输出受限。如：会议纪要生成、文档摘要、数据分类。难度低，适合入门。

第二类：内容生成类。 输入结构化、输出自由。如：营销文案生成、邮件草稿、报告初稿。难度中，Prompt工程是关键。

第三类：知识问答类。 输入半结构化、输出受限。如：企业知识库问答、客服FAQ、合规咨询。RAG是核心技术。

第四类：流程自动化类。 多环节串联、跨系统协同。如：获客工作流、报表自动化、工单分类与派单。工作流编排是核心。

FDE入门通常从第一类做起，逐步进阶到第四类。

§4.10 术语转译：FDE的必备能力

光懂术语不够，FDE还要能把术语翻译成客户能懂的话。这是一项被低估的核心能力。

方法论框4-3：术语转译三步法

去术语：把技术名词换成生活名词（如"RAG"→“给AI配个可翻的资料库”）。

接场景：用客户自己的业务场景举例（如对零售客户说"就像你店员遇到不熟悉的商品，先翻库存表再回答顾客"）。

说价值：最后落到对客户的价值（如"这样AI就不会乱编，回答都基于你的真实资料"）。

举一个转译实例：

技术话：“我们用RAG接入您的知识库，通过向量检索召回相关片段，再由大模型生成回答，降低幻觉风险。”
转译后：“我们会把您公司的资料整理成一个AI能随时翻阅的资料库。客户提问时，AI先去资料库找相关内容，再基于真实资料回答，不会胡编。”

后者客户听得懂、记得住、愿意付费。这就是术语转译的价值。

本章小结

大模型：博学但有幻觉、时效、隐私三大局限，FDE要用RAG、Prompt约束、私有化部署应对。
Agent/Skill/Tool：Agent是厨师、Skill是菜谱技能、Tool是厨具，三者层级关系清晰。
RAG：允许翻书的考试，企业知识库类项目的核心技术。
工作流：AI流水线，多步串联处理复杂任务。
API：AI的插座，Token与上下文是成本与设计的关键概念。
四类场景：信息整理、内容生成、知识问答、流程自动化，FDE项目基本归属其一。
术语转译：去术语+接场景+说价值，是FDE的核心能力。

思考题

用自己的类比重新解释Agent/Skill/Tool，确保一个完全不懂技术的人能听懂。
找一份真实AI方案文档，标注其中的术语，用术语转译三步法把其中3句技术话翻译成客户话。
观察你工作中一个重复任务，判断它属于四类场景的哪类，说明理由。
解释RAG与微调的区别，并说明什么场景该用哪个。

RAG on SelfTechHub

第7章 AI技术基础与工具选型

第7章 AI技术基础与工具选型

§7.1 FDE要懂的技术深度

§7.2 核心技术逻辑图解

7.2.1 大模型调用

7.2.2 Prompt工程

7.2.3 RAG检索

7.2.4 工作流编排

§7.3 主流工具盘点

7.3.1 大模型平台

7.3.2 零代码Agent搭建平台

7.3.3 工作流自动化工具

7.3.4 数据处理工具

§7.4 工具选型方法论

选型四步法

选型的常见误区

选型决策表

§7.5 场景与工具的匹配速查

本章小结

思考题

延伸阅读

第4章 AI落地基础术语扫盲

第4章 AI落地基础术语扫盲

§4.1 术语是工具，不是门槛

§4.2 大模型（Large Language Model, LLM）

通俗解释

技术原理

与FDE的关系

§4.3 幻觉、时效、隐私：大模型三大局限

§4.4 Agent、Skill、Tool

通俗解释

三者关系

与FDE的关系

§4.5 RAG（检索增强生成）

通俗解释

技术原理

与FDE的关系

§4.6 工作流（Workflow）

通俗解释

与单次大模型调用的区别

与FDE的关系

§4.7 API（应用程序接口）

通俗解释

关键概念

与FDE的关系

§4.8 微调（Fine-tuning）与向量数据库

微调

向量数据库

§4.9 AI落地的四类典型场景

§4.10 术语转译：FDE的必备能力

本章小结

思考题

延伸阅读